เรียนรู้วิธีบูรณาการแนวทางปฏิบัติ AI ที่มีความรับผิดชอบเข้ากับเวิร์กโฟลว์ ML ของคุณโดยใช้ TensorFlow
TensorFlow มุ่งมั่นที่จะช่วยสร้างความก้าวหน้าในการพัฒนา AI อย่างรับผิดชอบด้วยการแบ่งปันคอลเลกชันทรัพยากรและเครื่องมือกับชุมชน ML
AI ที่มีความรับผิดชอบคืออะไร?
การพัฒนา AI กำลังสร้างโอกาสใหม่ในการแก้ปัญหาที่ท้าทายในโลกแห่งความเป็นจริง นอกจากนี้ยังก่อให้เกิดคำถามใหม่ๆ เกี่ยวกับวิธีที่ดีที่สุดในการสร้างระบบ AI ที่เป็นประโยชน์ต่อทุกคน
แนวทางปฏิบัติที่ดีที่สุดที่แนะนำสำหรับ AI
การออกแบบระบบ AI ควรเป็นไปตามแนวทางปฏิบัติที่ดีที่สุดในการพัฒนาซอฟต์แวร์โดยคำนึงถึงมนุษย์เป็นศูนย์กลาง
แนวทางสู่ ML
ความเป็นธรรม
เนื่องจากผลกระทบของ AI เพิ่มขึ้นทั่วทั้งภาคส่วนและสังคม จึงจำเป็นอย่างยิ่งที่จะต้องทำงานต่อระบบที่ยุติธรรมและครอบคลุมทุกคน
การตีความ
การทำความเข้าใจและไว้วางใจระบบ AI เป็นสิ่งสำคัญเพื่อให้แน่ใจว่าระบบทำงานตามที่ตั้งใจไว้
ความเป็นส่วนตัว
โมเดลการฝึกอบรมจากข้อมูลที่ละเอียดอ่อนจำเป็นต้องมีการปกป้องความเป็นส่วนตัว
ความปลอดภัย
การระบุภัยคุกคามที่อาจเกิดขึ้นสามารถช่วยให้ระบบ AI ปลอดภัยได้
AI ที่มีความรับผิดชอบในเวิร์กโฟลว์ ML ของคุณ
แนวทางปฏิบัติด้าน AI ที่มีความรับผิดชอบสามารถนำมารวมไว้ในทุกขั้นตอนของเวิร์กโฟลว์ ML ต่อไปนี้เป็นคำถามสำคัญที่ควรพิจารณาในแต่ละขั้นตอน
ระบบ ML ของฉันเหมาะกับใคร?
วิธีที่ผู้ใช้จริงสัมผัสระบบของคุณเป็นสิ่งสำคัญในการประเมินผลกระทบที่แท้จริงของการคาดการณ์ คำแนะนำ และการตัดสินใจ ตรวจสอบให้แน่ใจว่าได้รับข้อมูลจากกลุ่มผู้ใช้ที่หลากหลายตั้งแต่เนิ่นๆ ในกระบวนการพัฒนาของคุณ
ฉันใช้ชุดข้อมูลตัวแทนหรือไม่
ข้อมูลของคุณถูกสุ่มตัวอย่างในลักษณะที่แสดงถึงผู้ใช้ของคุณ (เช่น จะถูกใช้สำหรับทุกวัย แต่คุณมีข้อมูลการฝึกอบรมจากผู้สูงอายุเท่านั้น) และในสภาพแวดล้อมจริง (เช่น จะถูกใช้ตลอดทั้งปี แต่คุณมีเพียงการฝึกอบรมเท่านั้น ข้อมูลจากฤดูร้อน)?
ข้อมูลของฉันมีอคติในโลกแห่งความเป็นจริง/มนุษย์หรือไม่
อคติที่ซ่อนอยู่ในข้อมูลสามารถทำให้เกิดวงจรป้อนกลับที่ซับซ้อนซึ่งช่วยเสริมทัศนคติแบบเหมารวมที่มีอยู่ได้
ฉันควรใช้วิธีใดในการฝึกโมเดลของฉัน
ใช้วิธีการฝึกอบรมที่สร้างความยุติธรรม ตีความได้ ความเป็นส่วนตัว และความปลอดภัยให้กับโมเดล
โมเดลของฉันทำงานเป็นอย่างไรบ้าง
ประเมินประสบการณ์ผู้ใช้ในสถานการณ์จริงในกลุ่มผู้ใช้ กรณีการใช้งาน และบริบทการใช้งานในวงกว้าง ทดสอบและทำซ้ำในการลองใช้ก่อน ตามด้วยการทดสอบต่อเนื่องหลังการเปิดตัว
มีวงจรป้อนกลับที่ซับซ้อนหรือไม่?
แม้ว่าทุกอย่างในการออกแบบระบบโดยรวมจะถูกสร้างขึ้นมาอย่างพิถีพิถัน แต่โมเดลที่ใช้ ML ก็แทบจะไม่ทำงานได้สมบูรณ์แบบ 100% เมื่อนำไปใช้กับข้อมูลจริงที่เป็นปัจจุบัน เมื่อเกิดปัญหาในผลิตภัณฑ์ที่ใช้งานจริง ให้พิจารณาว่าปัญหานั้นสอดคล้องกับข้อเสียเปรียบทางสังคมที่มีอยู่หรือไม่ และจะได้รับผลกระทบอย่างไรจากวิธีแก้ปัญหาทั้งระยะสั้นและระยะยาว
เครื่องมือ AI ที่รับผิดชอบสำหรับ TensorFlow
ระบบนิเวศของ TensorFlow มีชุดเครื่องมือและทรัพยากรเพื่อช่วยตอบคำถามข้างต้น
กำหนดปัญหา
ใช้ทรัพยากรต่อไปนี้เพื่อออกแบบโมเดลโดยคำนึงถึง AI ที่มีความรับผิดชอบ
เรียนรู้เพิ่มเติมเกี่ยวกับกระบวนการพัฒนา AI และข้อควรพิจารณาที่สำคัญ
สำรวจผ่านการแสดงภาพข้อมูลเชิงโต้ตอบ คำถามสำคัญและแนวคิดในขอบเขตของ Responsible AI
สร้างและจัดเตรียมข้อมูล
ใช้เครื่องมือต่อไปนี้เพื่อตรวจสอบข้อมูลเพื่อหาอคติที่อาจเกิดขึ้น
ตรวจสอบชุดข้อมูลของคุณแบบโต้ตอบเพื่อปรับปรุงคุณภาพข้อมูล และลดปัญหาความเป็นธรรมและความลำเอียง
วิเคราะห์และแปลงข้อมูลเพื่อตรวจจับปัญหาและสร้างชุดคุณลักษณะที่มีประสิทธิภาพมากขึ้น
ระดับสีผิวที่ครอบคลุมมากขึ้น ได้รับใบอนุญาตแบบเปิด เพื่อให้การรวบรวมข้อมูลและการสร้างแบบจำลองของคุณต้องการความแข็งแกร่งและครอบคลุมมากขึ้น
สร้างและฝึกโมเดล
ใช้เครื่องมือต่อไปนี้เพื่อฝึกโมเดลโดยใช้การรักษาความเป็นส่วนตัว เทคนิคที่ตีความได้ และอื่นๆ
ฝึกอบรมโมเดลแมชชีนเลิร์นนิงเพื่อส่งเสริมผลลัพธ์ที่เท่าเทียมกันมากขึ้น
เพิ่มประสิทธิภาพปัญหาที่มีข้อจำกัดด้านความไม่เท่าเทียมกัน
ประเมินแบบจำลอง
ดีบัก ประเมิน และแสดงภาพประสิทธิภาพของโมเดลโดยใช้เครื่องมือต่อไปนี้
ประเมินตัวชี้วัดความเป็นธรรมที่ระบุโดยทั่วไปสำหรับตัวแยกประเภทไบนารีและหลายคลาส
ประเมินคุณสมบัติความเป็นส่วนตัวของแบบจำลองการจำแนกประเภท
ปรับใช้และตรวจสอบ
ใช้เครื่องมือต่อไปนี้เพื่อติดตามและสื่อสารเกี่ยวกับบริบทและรายละเอียดของโมเดล
บันทึกและเรียกข้อมูลเมตาที่เกี่ยวข้องกับเวิร์กโฟลว์นักพัฒนา ML และนักวิทยาศาสตร์ข้อมูล
จัดระเบียบข้อเท็จจริงที่สำคัญของการเรียนรู้ของเครื่องในลักษณะที่มีโครงสร้าง
ทรัพยากรชุมชน
เรียนรู้ว่าชุมชนกำลังทำอะไรและสำรวจวิธีที่จะมีส่วนร่วม
ช่วยให้ผลิตภัณฑ์ของ Google มีความครอบคลุมมากขึ้นและเป็นตัวแทนของภาษา ภูมิภาค และวัฒนธรรมของคุณ
เราขอให้ผู้เข้าร่วมใช้ TensorFlow 2.2 เพื่อสร้างโมเดลหรือแอปพลิเคชันโดยคำนึงถึงหลักการ Responsible AI ตรวจดูแกลเลอรีเพื่อดูผู้ชนะและโครงการที่น่าทึ่งอื่นๆ
แนะนำกรอบการทำงานเพื่อคำนึงถึง ML ความเป็นธรรม และความเป็นส่วนตัว
เรียนรู้วิธีบูรณาการแนวทางปฏิบัติ AI ที่มีความรับผิดชอบเข้ากับเวิร์กโฟลว์ ML ของคุณโดยใช้ TensorFlow
TensorFlow มุ่งมั่นที่จะช่วยสร้างความก้าวหน้าในการพัฒนา AI อย่างรับผิดชอบด้วยการแบ่งปันคอลเลกชันทรัพยากรและเครื่องมือกับชุมชน ML
AI ที่มีความรับผิดชอบคืออะไร?
การพัฒนา AI กำลังสร้างโอกาสใหม่ในการแก้ปัญหาที่ท้าทายในโลกแห่งความเป็นจริง นอกจากนี้ยังก่อให้เกิดคำถามใหม่ๆ เกี่ยวกับวิธีที่ดีที่สุดในการสร้างระบบ AI ที่เป็นประโยชน์ต่อทุกคน
แนวทางปฏิบัติที่ดีที่สุดที่แนะนำสำหรับ AI
การออกแบบระบบ AI ควรเป็นไปตามแนวทางปฏิบัติที่ดีที่สุดในการพัฒนาซอฟต์แวร์โดยคำนึงถึงมนุษย์เป็นศูนย์กลาง
แนวทางสู่ ML
ความเป็นธรรม
เนื่องจากผลกระทบของ AI เพิ่มขึ้นทั่วทั้งภาคส่วนและสังคม จึงจำเป็นอย่างยิ่งที่จะต้องทำงานต่อระบบที่ยุติธรรมและครอบคลุมทุกคน
การตีความ
การทำความเข้าใจและไว้วางใจระบบ AI เป็นสิ่งสำคัญเพื่อให้แน่ใจว่าระบบทำงานตามที่ตั้งใจไว้
ความเป็นส่วนตัว
โมเดลการฝึกอบรมจากข้อมูลที่ละเอียดอ่อนจำเป็นต้องมีการปกป้องความเป็นส่วนตัว
ความปลอดภัย
การระบุภัยคุกคามที่อาจเกิดขึ้นสามารถช่วยให้ระบบ AI ปลอดภัยได้
AI ที่มีความรับผิดชอบในเวิร์กโฟลว์ ML ของคุณ
แนวทางปฏิบัติด้าน AI ที่มีความรับผิดชอบสามารถนำมารวมไว้ในทุกขั้นตอนของเวิร์กโฟลว์ ML ต่อไปนี้เป็นคำถามสำคัญที่ควรพิจารณาในแต่ละขั้นตอน
ระบบ ML ของฉันเหมาะกับใคร?
วิธีที่ผู้ใช้จริงสัมผัสระบบของคุณเป็นสิ่งสำคัญในการประเมินผลกระทบที่แท้จริงของการคาดการณ์ คำแนะนำ และการตัดสินใจ ตรวจสอบให้แน่ใจว่าได้รับข้อมูลจากกลุ่มผู้ใช้ที่หลากหลายตั้งแต่เนิ่นๆ ในกระบวนการพัฒนาของคุณ
ฉันใช้ชุดข้อมูลตัวแทนหรือไม่
ข้อมูลของคุณถูกสุ่มตัวอย่างในลักษณะที่แสดงถึงผู้ใช้ของคุณ (เช่น จะถูกใช้สำหรับทุกวัย แต่คุณมีข้อมูลการฝึกอบรมจากผู้สูงอายุเท่านั้น) และในสภาพแวดล้อมจริง (เช่น จะถูกใช้ตลอดทั้งปี แต่คุณมีเพียงการฝึกอบรมเท่านั้น ข้อมูลจากฤดูร้อน)?
ข้อมูลของฉันมีอคติในโลกแห่งความเป็นจริง/มนุษย์หรือไม่
อคติที่ซ่อนอยู่ในข้อมูลสามารถทำให้เกิดวงจรป้อนกลับที่ซับซ้อนซึ่งช่วยเสริมทัศนคติแบบเหมารวมที่มีอยู่ได้
ฉันควรใช้วิธีใดในการฝึกโมเดลของฉัน
ใช้วิธีการฝึกอบรมที่สร้างความยุติธรรม ตีความได้ ความเป็นส่วนตัว และความปลอดภัยให้กับโมเดล
โมเดลของฉันทำงานเป็นอย่างไรบ้าง
ประเมินประสบการณ์ผู้ใช้ในสถานการณ์จริงในกลุ่มผู้ใช้ กรณีการใช้งาน และบริบทการใช้งานในวงกว้าง ทดสอบและทำซ้ำในการลองใช้ก่อน ตามด้วยการทดสอบต่อเนื่องหลังการเปิดตัว
มีวงจรป้อนกลับที่ซับซ้อนหรือไม่?
แม้ว่าทุกอย่างในการออกแบบระบบโดยรวมจะถูกสร้างขึ้นมาอย่างพิถีพิถัน แต่โมเดลที่ใช้ ML ก็แทบจะไม่ทำงานได้สมบูรณ์แบบ 100% เมื่อนำไปใช้กับข้อมูลจริงที่เป็นปัจจุบัน เมื่อเกิดปัญหาในผลิตภัณฑ์ที่ใช้งานจริง ให้พิจารณาว่าปัญหานั้นสอดคล้องกับข้อเสียเปรียบทางสังคมที่มีอยู่หรือไม่ และจะได้รับผลกระทบอย่างไรจากวิธีแก้ปัญหาทั้งระยะสั้นและระยะยาว
เครื่องมือ AI ที่รับผิดชอบสำหรับ TensorFlow
ระบบนิเวศของ TensorFlow มีชุดเครื่องมือและทรัพยากรเพื่อช่วยตอบคำถามข้างต้น
กำหนดปัญหา
ใช้ทรัพยากรต่อไปนี้เพื่อออกแบบโมเดลโดยคำนึงถึง AI ที่มีความรับผิดชอบ
เรียนรู้เพิ่มเติมเกี่ยวกับกระบวนการพัฒนา AI และข้อควรพิจารณาที่สำคัญ
สำรวจผ่านการแสดงภาพข้อมูลเชิงโต้ตอบ คำถามสำคัญและแนวคิดในขอบเขตของ Responsible AI
สร้างและจัดเตรียมข้อมูล
ใช้เครื่องมือต่อไปนี้เพื่อตรวจสอบข้อมูลเพื่อหาอคติที่อาจเกิดขึ้น
ตรวจสอบชุดข้อมูลของคุณแบบโต้ตอบเพื่อปรับปรุงคุณภาพข้อมูล และลดปัญหาความเป็นธรรมและความลำเอียง
วิเคราะห์และแปลงข้อมูลเพื่อตรวจจับปัญหาและสร้างชุดคุณลักษณะที่มีประสิทธิภาพมากขึ้น
ระดับสีผิวที่ครอบคลุมมากขึ้น ได้รับใบอนุญาตแบบเปิด เพื่อให้การรวบรวมข้อมูลและการสร้างแบบจำลองของคุณต้องการความแข็งแกร่งและครอบคลุมมากขึ้น
สร้างและฝึกโมเดล
ใช้เครื่องมือต่อไปนี้เพื่อฝึกโมเดลโดยใช้การรักษาความเป็นส่วนตัว เทคนิคที่ตีความได้ และอื่นๆ
ฝึกอบรมโมเดลแมชชีนเลิร์นนิงเพื่อส่งเสริมผลลัพธ์ที่เท่าเทียมกันมากขึ้น
เพิ่มประสิทธิภาพปัญหาที่มีข้อจำกัดด้านความไม่เท่าเทียมกัน
ประเมินแบบจำลอง
ดีบัก ประเมิน และแสดงภาพประสิทธิภาพของโมเดลโดยใช้เครื่องมือต่อไปนี้
ประเมินตัวชี้วัดความเป็นธรรมที่ระบุโดยทั่วไปสำหรับตัวแยกประเภทไบนารีและหลายคลาส
ประเมินคุณสมบัติความเป็นส่วนตัวของแบบจำลองการจำแนกประเภท
ปรับใช้และตรวจสอบ
ใช้เครื่องมือต่อไปนี้เพื่อติดตามและสื่อสารเกี่ยวกับบริบทและรายละเอียดของโมเดล
บันทึกและเรียกข้อมูลเมตาที่เกี่ยวข้องกับเวิร์กโฟลว์นักพัฒนา ML และนักวิทยาศาสตร์ข้อมูล
จัดระเบียบข้อเท็จจริงที่สำคัญของการเรียนรู้ของเครื่องในลักษณะที่มีโครงสร้าง
ทรัพยากรชุมชน
เรียนรู้ว่าชุมชนกำลังทำอะไรและสำรวจวิธีที่จะมีส่วนร่วม
ช่วยให้ผลิตภัณฑ์ของ Google มีความครอบคลุมมากขึ้นและเป็นตัวแทนของภาษา ภูมิภาค และวัฒนธรรมของคุณ
เราขอให้ผู้เข้าร่วมใช้ TensorFlow 2.2 เพื่อสร้างโมเดลหรือแอปพลิเคชันโดยคำนึงถึงหลักการ Responsible AI ตรวจดูแกลเลอรีเพื่อดูผู้ชนะและโครงการที่น่าทึ่งอื่นๆ
แนะนำกรอบการทำงานเพื่อคำนึงถึง ML ความเป็นธรรม และความเป็นส่วนตัว